labelme数据集，批量json文件转png格式

通过labelme环境中的内置代码，进行批量json转png格式。

目录

一、安装labelme环境

二、修改 json_to_dataset 文件

三、批量转换

---

一、安装labelme环境

ylabelme 安装以及使用方式_啥都不懂的研究生的博客-CSDN博客_pip安装labelme

通过以上链接内的方式安装labelme环境。

二、修改 json_to_dataset 文件

找到labelme环境中的json_to_dataset 文件。

参考我的文件位置："D:\Software\Anaconda3\envs\labelme\Lib\site-packages\labelme\cli\json_to_dataset.py"

打开后，直接将下面的代码代替原代码

'''
修改后的json_to_dataset文件，直接复制替换你自己原始的json_to_dataset
'''
import argparse
import base64
import json
import os
import os.path as osp

import imgviz
import PIL.Image

from labelme.logger import logger
from labelme import utils


def main():
    logger.warning(
        "This script is aimed to demonstrate how to convert the "
        "JSON file to a single image dataset."
    )
    logger.warning(
        "It won't handle multiple JSON files to generate a "
        "real-use dataset."
    )

    parser = argparse.ArgumentParser()
    parser.add_argument("json_file")
    parser.add_argument("-o", "--out", default=None)
    args = parser.parse_args()

    json_file = args.json_file
    print(osp.dirname(json_file))

    if osp.isdir(osp.join(osp.dirname(json_file), 'json_data')) is False:
        os.mkdir(osp.join(osp.dirname(json_file), 'json_data'))
    else:
        print("文件已存在")
    if args.out is None:
        out_dir = osp.basename(json_file).replace(".", "_")
        out_dir1 = osp.join(osp.dirname(json_file), 'json_data')
        out_dir = osp.join(out_dir1, out_dir)
        print(out_dir)
        print("#" * 10)
    else:
        out_dir = args.out
    if not osp.exists(out_dir):
        os.mkdir(out_dir)

    data = json.load(open(json_file))
    imageData = data.get("imageData")

    if not imageData:
        imagePath = os.path.join(os.path.dirname(json_file), data["imagePath"])
        with open(imagePath, "rb") as f:
            imageData = f.read()
            imageData = base64.b64encode(imageData).decode("utf-8")
    img = utils.img_b64_to_arr(imageData)

    label_name_to_value = {"_background_": 0}
    for shape in sorted(data["shapes"], key=lambda x: x["label"]):
        label_name = shape["label"]
        if label_name in label_name_to_value:
            label_value = label_name_to_value[label_name]
        else:
            label_value = len(label_name_to_value)
            label_name_to_value[label_name] = label_value
    lbl, _ = utils.shapes_to_label(
        img.shape, data["shapes"], label_name_to_value
    )

    label_names = [None] * (max(label_name_to_value.values()) + 1)
    for name, value in label_name_to_value.items():
        label_names[value] = name

    lbl_viz = imgviz.label2rgb(
        lbl, imgviz.asgray(img), label_names=label_names, loc="rb"
    )

    PIL.Image.fromarray(img).save(osp.join(out_dir, "img.png"))
    utils.lblsave(osp.join(out_dir, "label.png"), lbl)
    PIL.Image.fromarray(lbl_viz).save(osp.join(out_dir, "label_viz.png"))

    with open(osp.join(out_dir, "label_names.txt"), "w") as f:
        for lbl_name in label_names:
            f.write(lbl_name + "\n")

    logger.info("Saved to: {}".format(out_dir))


if __name__ == "__main__":
    main()

三、批量转换

新建 .py文件

'''
将label中标注的json文件，转化为可用于分割训练的标签二值化黑白png图片
'''
import os
import cv2
import numpy as np
import shutil
import glob

# def json_png():  第一次转换用到
path_json = r'D:\Study\SeaIce\sea_ice_data\Data\GF-3\B\3\ERDAS\hv_Elee_cj\hv_2_Elee_cj_0-255_512\lable_2\chonghua'  # 这里是指.json文件所在文件夹的路径
# 批量转换，修改此路径
# 此路径为，json文件所在路径
# def extract_png():  第二次转换用到
path_json_to_data = os.path.join(path_json, "json_data")  # json文件夹所在位置
path_save_png = os.path.join(path_json, "json_png")  # 将标签图从json文件中批量取出后指定保存的文件目录
path_save_png_binary = os.path.join(path_json, "json_png_binary")  # 二至图像最终保存的路径


def pre_treatment():
    '''
    创建三个文件夹用于存储
    json_data用于存储json转换img.png     label.png    label_names.txt   label_viz.png的文件夹
    json_png用于存储从json_data提取出来的label。png（最终存储名字与json文件对应）
    json_png_binary 用于存储最终转换后的8位的单通道黑白图像
    :return:
    '''
    if os.path.isdir(os.path.join(path_json, "json_data")) is False:
        os.mkdir(os.path.join(path_json, "json_data"))
    else:
        print('文件已存在')
    if os.path.isdir(os.path.join(path_json, "json_png")) is False:
        os.mkdir(os.path.join(path_json, "json_png"))
    else:
        print('文件已存在')
    if os.path.isdir(os.path.join(path_json, "json_png_binary")) is False:
        os.mkdir(os.path.join(path_json, "json_png_binary"))
    else:
        print('文件已存在')


def json_png():
    '''
    批量将json转换为img.png     label.png    label_names.txt   label_viz.png
    并存储至当前文件夹下的json_date文件夹中
    :return: 无
    '''
    json_file = glob.glob(os.path.join(path_json, "*.json"))
    os.system("activate labelme")  # 激活labelme环境（根据自己设置的修改）
    for file in json_file:
        os.system("labelme_json_to_dataset.exe %s" % (file))  # 调用labelme，自带的程序进行批量转换
        # labelme中\.conda\envs\labelme\Lib\site-packages\labelme\cli中的json_to_dataset.py被修改过
        # 具体修改见json_to_dataset.py


def extract_png():
    '''
    将标签图从json文件中批量取出
    :return:
    '''
    for eachfile in os.listdir(path_json_to_data):
        path1 = os.path.join(path_json_to_data, eachfile)  # 获取单个json文件夹的目录
        if os.path.isdir(path1):  # 判断path1路径是否存在
            if os.path.exists(path1 + '/label.png'):  # 判断path1路径下label.png是否存在
                path1 = os.path.join(path1, 'label.png')  # 获取PNG所在的路径，准备等待复制
                path2 = os.path.join(path_save_png, (eachfile.split('_')[0] + '.png'))  # 将png复制到path2路径下的文件夹中去
                shutil.copy(path1, path2)  # 将path1文件复制到path2
                print(eachfile + ' successfully moved')


def png_to_binary():
    '''
    由于数据集是做二分类分割，所以，需要将ground_truth转换为8位的单通道黑白图像，才能作为训练时的label使用。
    将提取出来的png转换为8位的单通道黑白图像
    '''
    for im in os.listdir(path_save_png):
        img = cv2.imread(os.path.join(path_save_png, im))
        b, g, r = cv2.split(img)
        r[np.where(r != 0)] = 255
        cv2.imwrite(os.path.join(path_save_png_binary, im), r)


def process():
    pre_treatment()  # 预处理，创建存储所需的相应文件夹
    json_png()  # 调用labelme的json转换png程序
    extract_png()  # 从转换的数据中提取png图像
    png_to_binary()  # 将png转换为8位的单通道黑白图像，用于分割训练


if __name__ == "__main__":
    process()

 在第一步创建的labelme环境中运行。

完成转换。

注意：需要在环境中安装cv2包

 pip install opencv-python